Curva ROC Explorer e tester - Receiver Operating Characteristic Curve Explorer and Tester

Curva ROC Explorer e Tester ( ROCCET ) è un server web accesso aperto per l'esecuzione di analisi biomarker usando ROC ( Receiver Operating Characteristic ) Curva analisi su insiemi di dati metabolomiche. ROCCET è progettato specificamente per l'esecuzione e valutazione di una prova di classificazione standard binario (malattia rispetto al controllo). ROCCET accetta tabelle di dati metaboliti, con o senza variabili cliniche / osservazione, come ingresso ed esegue una vasta biomarker analisi e biomarker identificazione utilizzando questi dati di input. Esso opera attraverso un sistema di navigazione basato su menu che consente agli utenti di identificare o valutare tali variabili cliniche e / o metaboliti che contengono le informazioni di diagnostica o di classe predittiva massimale. ROCCET supporta sia la selezione manuale o semi-automatico funzione ed è in grado di generare automaticamente una varietà di modelli matematici che massimizzano la sensibilità e la specificità del biomarker (s) riducendo al minimo il numero di biomarker utilizzati nel modello biomarker. ROCCET supporta anche la rigorosa valutazione della qualità e la robustezza dei biomarcatori di recente scoperta che utilizzano i test di permutazione, test di hold-out e cross-validazione.

Background - ROC curve in scoperta di biomarcatori

Biomarkers sono comunemente definiti come caratteristiche misurate che possono essere usati come indicatori di uno stato o condizione biologica. Essi possono essere geni, prodotti chimici, proteine, parametri fisiologici, dati di immagini o misurazioni istologiche. Biomarkers possono consistere in singoli componenti (per esempio glucosio nel sangue) o componenti multiplc (un pannello biomarker come acilcarnitine). Biomarcatori medici si dividono in 5 categorie principali: 1) diagnostica (utilizzato per identificare se si dispone di una malattia o condizione); 2) prognostica (utilizzato per determinare quanto bene si farà con la malattia o condizione); 3) predittiva (utilizzato per determinare se è possibile ottenere la malattia); 4) l'efficacia o il monitoraggio (utilizzato per determinare quanto bene un farmaco o un trattamento sta facendo nella lotta contro la malattia) e 5) l'esposizione (utilizzato per determinare se si è stati esposti ad un farmaco, il cibo, la tossina o un altro tipo di sostanza). Buone biomarcatori dovrebbero mostrare una buona sensibilità (la frazione di veri positivi correttamente identificati) e buona specificità (la frazione di veri negativi correttamente identificati). Un perfetto pannello di biomarker o biomarker sarebbe sensibile al 100% (prevedere tutte le persone nel gruppo malati come essere ammalato) e il 100% specifica (non prevedere chiunque dal gruppo sano come essere malati). Tuttavia, dal momento che poche cose nella vita sono perfetti, v'è spesso un compromesso tra sensibilità e specificità. Negli studi medici biomarker sta diventando sempre più comune per segnalare questa compromesso in sensibilità e specificità utilizzando una caratteristica Receiver Operating (ROC) della curva. Curve ROC tramano la sensibilità di un biomarcatore sull'asse y, contro il tasso di scoperta di false (1- specificità) sull'asse x. L'immagine di diverse curve ROC è mostrata in Figura 1. Le curve ROC fornire un semplice metodo visivo per uno per determinare il limite di confine (o la soglia separazione) di un biomarker o una combinazione di marcatori per la combinazione ottimale di sensibilità e specificità. L'AUC (area sotto la curva) della curva ROC riflette la precisione complessiva e le prestazioni di separazione del biomarker (o biomarker), e può essere usato facilmente per confrontare combinazioni biomarker diversi o modelli. Come regola generale, il meno i biomarcatori che si usa per massimizzare l'AUC della curva ROC, meglio è.

metabolomica

Generazione curva ROC ROCCET e l'analisi è particolarmente adatto a metabolomica set di dati. Metabolomics insiemi di dati prodotti dalla high throughput tecniche di chimica analitica consistono tipicamente di grandi matrici contenenti più valori per campioni multipli. Il confronto tra i gruppi o sottoinsiemi di campioni all'interno dei dati di solito comporta procedure statistiche che impiegano analisi univariata e analisi multivariata, come Partial Least Squares - Analisi Discriminante (PLS-DA) o procedure di classificazione di machine learning, come Support Vector Machine (SVM). Di conseguenza, ROCCET offre due diversi tipi di moduli di analisi - un modulo univariata e multivariata di un modulo. Nel modulo univariata singole variabili vengono valutate (da un t-test ) e classificati per le loro prestazioni di separazione (cioè l'AUC del ROC), compresi gli intervalli di confidenza (CI) e una soglia ottimale calcolata. Nel modulo multivariata si può scegliere fra tre diverse tecniche - SVM ( supporto Vector Machine ), PLS-DA ( minimi quadrati parziali analisi discriminante ) e foreste casuali per classificare e selezionando metaboliti o variabili cliniche per una prestazione ottimale ROC. L'analisi risultante produce il modello multivariabile alto rendimento (s) in base alle loro caratteristiche di curva ROC. Questo modulo presenta anche le variabili significative (variabili cliniche e / o metaboliti) che contribuiscono al modello (tramite “ROC explorer”). ROCCET supporta anche la possibilità di selezionare manualmente variabili specifiche da inserire in un determinato modello di biomarker. Queste variabili possono essere analizzati utilizzando “tester ROC”. ROCCET supporta anche la rigorosa valutazione della qualità e la robustezza dei biomarcatori di recente scoperta o pannelli biomarcatori utilizzando il test di permutazione, test di hold-out e cross-validazione. ROCCET genera una varietà di colori, grafici e tabelle di rivista-ready (vedi figure 1 e 2) e supporta il download di tutti i file generati incluse le tabelle ( CSV formato), grafici ( PNG o PDF ) e la storia di trasformazione come file R ( che può essere letto come un semplice file di testo). Un tutorial per l'utilizzo ROCCET viene offerto dalle seguenti riferimento. Set di dati di addestramento sono disponibili sul sito ROCCET per sperimentare con lo strumento.

Guarda anche

• receiver operating characteristic
• metabolomica
• Biomarker (medicina)
• Sensibilità e specificità
• Biologia
• Microbiologia
• univariata
• multivariata
• biomarker

Riferimenti